| 查看: 737 | 回复: 0 | |||
[交流]
松灵PiPER机械臂在HybridVLA框架中的创新实践
|
|
协作扩散与自回归协同机制的实验验证 前言 在具身智能领域，视觉 - 语言 - 动作（VLA）模型是机器人技术发展关键。但现有 VLA 模型在动作生成策略上问题突出：自回归方法量化动作离散化，破坏动作连续性，影响高精度操作；扩散方法依赖预训练视觉 - 语言模型特征提取，动态推理能力不足。且多智能体协作时，难以突破单任务局限实现动态协同。 本文以松灵PiPER机械臂和Franka Research 3机械臂为实验载体，通过HybridVLA框架，实现智能体间动态协同，从而有效克服现有VLA模型在动作生成策略及多智能体协作方面存在的困难与难点。 技术框架与核心参数 机器人实验载体： 松灵PiPER机械臂 6轴自由度设计 松灵夹爪 英特尔 D435 Franka Research 3机械臂： 7自由度设计 前端Franka夹爪 技术框架 HybridVLA框架：融合扩散与自回归策略 协同训练方案 协同动作集成机制 图2:HybridVLA框架。无论采用何种形式,输入数据都会被编码并连接到我们格式化的令牌序列中。为了将扩散集成到LLM中,HybridVLA同时将去噪时间步长和噪声动作投影到令牌序列中。标记标记<BOD>(扩散开始)和<EOD>(扩散结束)旨在弥合这两种生成方法。通过采用协作训练来明确地整合来自两种生成方法的知识,这两种动作类型相互强化,并自适应地组合在一起以控制机器人手臂。对于HybridVLA的输出,通过迭代去噪生成连续动作,而自回归生成离散动作,所有这些都在下一个令牌预测过程中进行 策略开发全流程 数据准备与预处理 数据采集：收集 RLBench 模拟数据（10 类任务）、Franka 单臂 / AgileX 双臂真实数据（各 5 类任务），整合 35 个开源数据集（76 万条轨迹）用于预训练。 数据处理：动作编码为 7-DOF（单臂）/14-DOF（双臂），添加扩散噪声；多模态数据（视觉、语言、机器人状态）标记化，用特殊标记分隔扩散与自回归部分。 模型架构设计 核心组件： 视觉编码器：DINOv2/SigLIP（7B 模型）或 CLIP（2.7B 模型）提取多视图特征。 LLM：LLAMA-2（7B）或 Phi-2（2.7B）处理多模态标记，输出扩散（连续动作）和自回归（离散动作）标记。 动作生成模块：扩散头通过 DDIM 采样去噪，自回归头解码离散标记并计算置信度。 关键机制： 协作动作集成：根据自回归标记置信度（阈值 0.96）动态融合两种动作。 KV 缓存加速：提升扩散推理速度至 9.4 Hz。 实验验证 训练策略 预训练：在跨域数据集上训练 5 个 epoch，学习通用动作语义关联。 微调：模拟（RLBench）和真实场景（单 / 双臂任务）中优化混合损失（Ldif+Lce） 模拟实验（RLBench 基准） 模拟测试：10 类任务平均成功率 74%，优于基线方法（如 CogACT 60%）。 表1。探索和验证我们提出的令牌序列公式。该模型使用扩散和自回归生成进行训练,但仅在10个模拟任务中对基于扩散的动作(HybridVLA-dif)进行了测试。 定量结果（成功率 S.R. & 推理速度） 表2。在RLBench上比较我们提出的方法和基线。我们在多任务设置中训练所有方法[87],并报告每个任务的成功率(S.R.)。成功条件遵循RLBench中的定义。“HybridVLA-dif”指的是仅依赖于扩散过程的行为预测。(7B)、(2.7B)和(2.6B)是指VLA模型中使用的LLM的大小。 关键发现： 在 RLBench 基准的模拟实验中，HybridVLA（7B）在 10 类任务中平均成功率达 74%，显著优于 OpenVLA（41%）、CogACT（60%）等基线方法，尤其在 Close laptop（95%）、Toilet seat down（100%）等任务中表现突出。仅使用扩散推理的 HybridVLA-dif（7B）平均成功率 66%，推理速度 9.4 Hz，兼顾效率与精度。2.7B 模型虽平均成功率 58%，但推理速度达 12.3 Hz。整体而言，HybridVLA 在成功率和推理速度上实现了较好平衡，优于多数对比方法。 核心结论：HybridVLA 通过 LLM 内扩散与自回归的协作，在成功率和推理速度间取得平衡，尤其在语义 - 动作联合建模任务中优势显著。 真实验证 实验过程： 单臂实验（Franka Research 3） 任务：5 类真实操作（Pick and place、Unplug charger、Pour water、Wipe blackboard、Open drawer and place inside），每任务 100 条示教轨迹，多视图输入（front + wrist camera）。 对比方法：π₀ (2.6B)、CogACT (7B)（仅单臂支持）。 双臂实验（AgileX PiPER） 任务：5 类协作任务（Pick and place、Lift ball and place、Place bottles at rack、Wipe blackboard、Fold shorts），每任务 100 条轨迹，三视图输入（external + left/right wrist cameras）。 对比方法：π₀ (2.6B)（双臂基线） 表4。我们的方法和基线在现实世界场景中的比较。我们在单一任务设置中训练所有方法[110],并报告成功率。成功取决于基于任务是否完成的人工评估。由于CogAct缺乏对多视图图像的支持,而多视图图像对于双臂任务至关重要[8,20],因此我们仅使用π0进行双臂比较。 关键发现：Franka 单臂任务成功率 80%-95%，AgileX 双臂任务 66%-80% 泛化能力验证 变量设置： 未见物体：用充电器替代训练中的红色方块（Pick and place 任务）。 复杂背景：在操作区域添加杂物（如花盆）。 光照变化：模拟夜间环境（低光照 + 色偏）。 表5。一般化。“对象”、“背景”、“高度”和“照明”分别表示看不见的操纵对象、背景、空间位置和照明条件。上图显示了四个看不见的测试场景,红色框突出了关键差异。 关键发现：HybridVLA-dif 在 “未见物体” 场景中成功率下降 7%-41%，显著低于 π₀的 8%-43%，证明其对语义泛化的更强适应性。 核心结论：多视图输入与协作动作集成机制使模型在单 / 双臂任务中表现稳健，泛化能力优于传统扩散方法，为工业和服务机器人提供了可落地的通用框架。 论文详情：https://hybrid-vla.github.io/ |
回复此楼» 猜你喜欢
溶胶凝胶制备玻璃粉工艺
已经有0人回复
-
2026英国女王大学机械学院电池储能CSC全奖博士招聘
已经有8人回复
-
金属材料论文润色/翻译怎么收费?
已经有276人回复
-
2026英国女王大学机械学院电池储能CSC全奖博士招聘
已经有0人回复
